Про один підхід до розробки симулятору руху автономного транспортного засобу з навчанням

Автор(и)

  • V. Zaytsev
  • Ye. Bulatetskyi

DOI:

https://doi.org/10.34185/1562-9945-6-137-2021-13

Ключові слова:

симулятор, Unity 3D, нейронна мережа прямого поширення, функції активації, платформа GitHub

Анотація

У статті розглядається питання використання тренажерів для управління рухом автономного транспортного засобу та розробки нового симулятору. Описано підхід до створення симулятору руху транспортного засобу на мові програмування C#. При розробки для реалізації симуляційних сцен, використано багатоплатформовий інструмент Unity 3D. У симуляції використовується нейронна мережа прямого поши-рення, яка немає чіткої кількості нейронів вхідного рівня, має тільки сталий вихідний рівень, який складається з двох нейронів: перший відповідає за прискорення, другий за можливість автомобіля повертати вліво або вправо. Також у мережі немає чітко визначеної кількості прихованих рівнів та нейронів, які там розташовані. Всі ці дані у симуляції може визначати сам користувач. На вхід до нейронної мережі подаються значення отримані з лазерів. Лазери вимірюють відстань до перешкоди та подають значення на вхід до нейронної мережі. Обрана сигмоїдна функція активації. Для нав-чання нейронної мережі використовується алгоритм підсиленого навчання, а саме ге-нетичний алгоритм, який застосовується до кожного автомобіля, починаючи зі ство-рення власного списку генів кожного автомобіля. У мережі кожного автомобіля кіль-кість генів дорівнює кількості ваг. Для першого покоління ваги задані випадковим чи-ном. Оскільки це симулятор, була створена узагальнена нейронна мережа з великою кількістю налаштувань, з можливістю змінювати її структуру: можна змінити кіль-кість нейронів вхідного рівня, які залежать від кількості лазерів у автомобіля, їх даль-нобійність, висоту, на якій вони визначають перешкоди, поле їх видимості; змінювати кількість прихованих рівнів та кількість нейронів, які там будуть розташовані; ке-рувати процесом мутації, який використовується у генетичному алгоритмі; визначи-ти значення мутації та діапазон варіацій, у якому значення можуть змінюватись; вмикати та вимикати функцію самозбереження, міняти швидкість автомобіля, при-скорення, встановлювати максимальну та мінімальну швидкість, редагувати пара-метри, які відповідають за обертання автомобіля та його плавність. Реалізація про-екту надана у GitHub.

Посилання

Mercedes-Benz Innovation Vehicle Developing. https://www.mercedes-benz.com/en/mercedes-benz/next/advancedengineering/ [Electronic resource]– Ac-cess mode: 22.07.2018.

Emanuele Obialero. A Refined Vehicle Dynamics Model for Driving Simula...rs // Charhalmers University of Technology/Göteborg, Sweden 2013. Master’s thesis,

P. 120.

Shaoshan Liu, Liyun Li, Jie Tang, Shuang Wu, JeanLuc Gaudiot. «Creating Autono-mous Vehicle Systems». Morgan & Claypool Publishers, 2018. - P. 191

Closed Simulator NVIDIA DRIVE Sim. https://developer.nvidia.com/drive-sim-early-access-program.

Open Source Simulator Carla. CARLA Simulator.

Muhaylov В.G. О nekotopukh podkhodakh modelirovaniya avtomobilya na cimylyatorakh // Sistemnui analiz i prikladnaya informatika. №3, -2019. - с. 29-35.

https://github.com/Evyshkav/AVSimulator

Опубліковано

2021-12-10